Palestrante
Descrição
Este trabalho investiga o uso de Redes Adversárias Generativas (GANs) para criar imagens hiperespectrais sintéticas de melanoma, com o objetivo de aprimorar a detecção automática de tumores. Utilizando o conjunto de dados Hyperspectral Dermoscopy, o modelo FastGAN foi treinado para gerar amostras artificiais visual e espectralmente semelhantes às reais, avaliadas por meio das métricas FID, SAM e SSIM. Dois classificadores DenseNet201 foram comparados: um treinado apenas com dados reais e outro combinando dados reais e sintéticos. O modelo combinado apresentou desempenho superior (F1-score = 0,892) e maior sensibilidade na detecção de melanomas. Os resultados indicam que o uso de dados sintéticos pode reduzir o desbalanceamento entre classes e melhorar a capacidade de generalização dos modelos, demonstrando o potencial da síntese hiperespectral baseada em GANs para aplicações diagnósticas mais precisas e não invasivas.
